רווחים:
- יכולת לספק דיוק דטרמיניסטי על ידי מבנה נתוני ESG מפוזרים וביצוע המרת יחידה עם קוד/נוסחה ניתנים להפעלה ולא באופן ידני
- יכולת לסמן פערי נתונים כפרוקסי (חיזוי) מבלי להתאים אותם ולפתור ספירה בינארית וחריגים על ידי חזרה למקור
- יכולת להפוך נתונים למעקב על ידי הקמת נתיב ביקורת המחבר כל פריט דיגיטלי למקורו
מתחת לכל דוח קיימות מסתתרת משימה שקטה אך מונומנטלית: איסוף נתונים. אפילו חברה בינונית אוספת חשבונות חשמל וגז טבעי, קבלות דלק, מסמכי העברת פסולת, נתוני עובדים ממערכות משאבי אנוש, תגובות סקרים מספקים ורישומי נסיעות מעשרות מתקנים. רוב הנתונים הללו מפוזרים, בפורמטים שונים, ביחידות שונות, ולרוב מוזנים באופן ידני. האיכות של דוח נובעת מהדיוק של הנתונים הגולמיים האלה, ולא מהגרף הכי נוצץ שלו. ביחידה זו תלמד כיצד להשתמש בבטחה בבינה מלאכותית (AI) כדי לאסוף, לנקות ולנהל את הנתונים המבולגנים הללו.
ראשית, מושג: איכות נתונים פירושה שהנתונים מדויקים (משקפים את האמת), שלמים (מלאים), עקביים (לא סותרים), בזמן וניתנים למעקב (מקורו ידוע). בעיית האיכות הנפוצה ביותר ב-ESG היא שהנתונים אינם ניתנים לאיתור ולא מדויקים: יש מספר, אבל "מאיפה זה בא?" אין תשובה לשאלה. זה בדיוק מה שמבקר הביטחון העצמאי (המומחה החיצוני שמאמת את הדוח) שואל. אז עמוד השדרה של היחידה הזו הוא מושג יחיד: מסלול הביקורת - שרשרת הרשומות שמראה מאיזה מסמך הגיע כל נושא, באיזה תאריך, באיזו הנחה.
שלוש בעיות אופייניות בנתוני ESG
1. כאוס יחידה. מתקן אחד מדווח על חשמל ב-kWh, אחר ב-MWh, והשלישי ב-GJ (ג'יגה-ג'אול). אם לא כולם מומרים ליחידה אחת לפני ההוספה, התוצאה חסרת משמעות. מכיוון ש-1 MWh = 1,000 קילוואט-שעה, אם מושמט את היחידה, תתרחש שגיאה של פי 1000.
2. פער נתונים. חסרה חשבונית רבעונית של נכס. הפער מתמלא או בנתונים אמיתיים או בהערכה ברורה (פרוקסי): למשל, ממוצע מחודשים דומים. הדבר הקריטי הוא לא להסתיר את התחזית; הוא לסמן אותו כ"נתונים משוערים" בדוח.
3. ספירה כפולה וחוסר עקביות. אותו דלק נאסף פעמיים אם הוא נספר גם בצי הרכב וגם בגנרטור. AI עוזר לתפוס סתירות כאלה אבל לא יכול לקבל את ההחלטה הסופית.
בעיה
סימפטום
גישה נכונה
כאוס יחידה
קוט"ש/MWh/GJ מעורב
המר ליחידה בודדת, בצע את ההמרה עם קוד
פער נתונים
חסר חודש/מתקן
השתמש בפרוקסי, סמן אותו כ"משוער"
ספירה בינארית
אותו עט בשני מקומות
הצמד מקור לנקודה אחת
חוסר מעקב
מספר מוצא לא ידוע
קישור לטבלת נתיב ביקורת
טיפ: כלל זהב בניקוי נתונים: "לעולם אל תיגע בנתונים הגולמיים; עבוד על עותק." חשבוניות ורישומים מקוריים נשמרים ללא שינוי; כל התיקונים וההמרות נעשים בקובץ עבודה נפרד, עם הצדקה. בדרך זו, המבקר תמיד יכול לחזור לאמת המקורית.
שלב אחר שלב: זרימת עבודה מאובטחת של נתונים עם AI
1. אסוף נתונים ושמור אותם כפי שהם. איסוף חשבוניות ורישומים בצורתם המקורית במקום אחד; זה "המקור היחיד של האמת".
2. הגדר. מיין נתונים מבולגנים לטבלה מאורגנת (צמח, תקופה, פריט, ערך, יחידה, מקור). בינה מלאכותית טובה בהתאמת טקסט חופשי או תוכן PDF לתבנית טבלה זו.
3. תרגם יחידות עם קוד הפעלה. אל תבקש מה-AI לבצע את המרת היחידה ולסכם באופן ידני; הדפיסו נוסחת גיליון אלקטרוני או קוד קטן ותפעילו את הקוד. לפיכך, התוצאה היא דטרמיניסטית (זהה וניתנת לאימות בכל פעם).
4. בצע בקרת איכות. תנו להם לסמן חריגים (כגון הצריכה של מתקן גדלה פתאום פי 10), השמטות וסתירות. אבל אשר כל סימן בעיניים אנושיות.
5. קבע את נתיב הביקורת. השלם את הטבלה המחברת כל פריט מספרי למקור שלו. טבלה זו היא עמוד השדרה של הדו"ח.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
אסוף את נתוני המתקן הזה וספר לך את צריכת האנרגיה הכוללת.
אין כללי יחידה, מקור ומרחב; AI יכול לרפרף ולאסוף יחידות שונות ולהשלים בשקט את החסרים.
הנחיה עוצמתית:
תפקידך: מנתח נתונים ESG. קלט: טבלת מתקן-תקופה-ערך-יחידה למטה. משימה: 1) המר את כל ערכי האנרגיה ל-kWh; הצג מקדמי המרה בעמודה נפרדת.2) ביצוע ידנית של הסכום הכולל; כתוב נוסחת גיליון אלקטרוני שבה אני יכול להשתמש.3) סמן פריטים שנראים חסרים או אפסיים כ"חסרים — סמן", לעולם אל תמלא אותם בעצמך.4) ציין ספירות בינאריות אפשריות שבהן אותו פריט מופיע פעמיים. פלט: טבלה נקייה + עמודת המרה + רשימת אזהרה.
למה זה קריטי להכניס נתונים לקוד?
AI הוא מחולל טקסט; עלול לעשות טעויות בעת איסוף נפשי של רשימות ארוכות של מספרים. לעומת זאת, אם תבקש ממנו ליצור נוסחה או קוד, הוא יריץ את החישוב בדיוק בסביבה שלך ויקבל את אותה תוצאה בכל פעם. זה ההבדל בין "מספר שה-AI אומר" ל"חישוב הניתן לשליטה".
כתוב קבוצה של נוסחאות Excel/Google Sheets עבור טבלת נתוני הפליטות הבאה. צורך:- בכל שורה: ערך × מקדם המרה = קילוואט-שעה- סכום כל קילוואט-שעה- הוסף תאים חסרים (ריק) כמספר; לספור "ספירה חסרה" נפרדת הסביר את הנוסחאות עם הפניות לתאים כדי שאוכל ליישם אותן באופן ידני. מבנה הטבלה: A=מתקן, B=נקודה, C=ערך, D=יחידה
זהירות: שימו לב במיוחד למספרים שה-AI "קורא" מה-PDF או מהתמונה. שגיאות כגון 1.100 לעומת 11.00, או בלבול נקודות פסיק (1.100 לעומת 1.100) שכיחות במהלך קריאה אופטית. השווה חזותית לפחות כמה דוגמאות עם מסמך המקור.
שלושה מיני תיקים
מקרה 1 - מלכודת יחידה. חברת אחזקות אספה את נתוני האנרגיה של 8 מתקנים. 7 מתקנים דיווחו על קוט"ש, מתקן אחד דיווח על MWh. הבינה המלאכותית עשתה את הסכום הכולל בכך שהחמיצה את היחידות בניסיון הראשון והפחיתה את המתקן הזה בפקטור של 1000; הסתבר שהסך הכולל עמד על 3,201 MWh, כאשר זה היה למעשה 4,200 MWh. השגיאה נתפסה ותוקנה על ידי טרנספורמציה מבוססת קוד.
מקרה 2 - חיזוי סודי. חסרה חשבונית מרץ של מתקן אחד. האנליסט אמר ל-AI "למלא את החסר"; AI שם את הממוצע של החודשים הסמוכים אבל לא ציין אותו. המבקר שואל "מאיזו חשבונית המספר הזה?" כשנשאלו, המקור לא נמצא. התהליך תוקן: התחזית מסומנת בבירור כ"פרוקסי - ממוצע פברואר/אפריל" בדוח.
מקרה 3 - ספירה כפולה. במפעל, דלק גנרטור הוכנס תחת סעיפים "שריפה נייחת" ו"אנרגיית גיבוי". ה-AI סימן את החזרה הזו בסריקת הסתירות שלה; האנליסט אישר והספירה הכפולה של 6 טונות של CO₂e הוסרה. זה היה תלוי באנליסט לסמן את תרומתו של ה-AI ולקבל את ההחלטה.
הנחיות בקרת איכות
בצע בדיקת איכות בטבלת נתוני ה-ESG שלהלן. זהה (אך אל תתקן זאת בעצמך, רק סמן):1) חריגים (פריטים החורגים ביותר מ-50% מהתקופה הקודמת)2) אי התאמות ביחידה3) תאים ריקים/חסרים4) כפילויות אפשריות שבהן אותו פריט מופיע מספר פעמים רשום כל התראה עם סיבה [TAB] חשודה.
ההנחיה הבאה מגדירה שלד טבלת ניטור מוכן לביקורת.
תפקידך: מנהל נתונים ESG. משימה: הפקת טבלת נתיב ביקורת עבור הפריטים הבאים. עמודות: פריט | ערך | יחידה | סוג מסמך מקור | מסמך מס'/תאריך | אחראי | נחש (Y/N) | האם זה מאומת? כתוב "SOURCE REQUIRED" בכל שורה שמקורה לא ידוע. עפרונות: [PENSES]
טעויות נפוצות
- שינוי נתונים גולמיים. ביצוע תיקונים מבלי לשמר את הרשומות המקוריות שובר את נתיב הביקורת.
- לאחר שה-AI יבצע את המרת היחידה באופן ידני. תוספת מנטלית ברשימות ארוכות נוטה לטעות; השתמש בקוד/נוסחה.
- הסתר את התחזית. אין בעיה להשתמש בנתוני פרוקסי; לא לציין זאת היא בעיה גדולה בביקורת.
- מוחק בשקט את החריג. הכפלת הצריכה של מתקן עשויה להיות טעות או לא; לא ניתן למחוק אותו מבלי לחקור אותו.
- קבלת באופן עיוור את המספר שנקרא מה-PDF/תמונה. שליטה לדוגמה נגד שגיאות קריאה אופטיות היא חיונית.
לסיכום
הערך האמיתי של דוח ESG טמון בדיוק ובעקיבות של הנתונים שלו. AI; זהו כלי עזר רב עוצמה במבנה נתונים מפוזרים, יצירת נוסחאות להמרת יחידות וסימון חריגים וסתירות. אבל הסיכון הגדול ביותר הוא לא שהנתונים שגויים, זה שהם בלתי ניתנים לאיתור. שמרו את הנתונים הגולמיים, בצעו את השינוי בקוד, סמנו בבירור את החיזוי וקשרו כל מספר לשביל ביקורת. "המספר נראה נכון" אינו מספיק; יש לדרוש "אני יכול לאתר את המספר הזה למקור שלו".
משימת יישום
הכן טבלה קטנה לדוגמה עם נתונים לפחות בשלוש יחידות שונות (למשל קילוואט, מגוואט, ליטר); השאר תא אחד או שניים ריק בכוונה. בקש מה-AI עם ההנחיה העוצמתית למעלה עבור קבוצה של נוסחאות הממירות טבלה זו ליחידה אחת ולרשימה של התראות איכות. לאחר מכן: (1) בדוק את מקדמי ההמרה, (2) ודא שלא הושלמו פערים, (3) כתוב שורת ביקורת קטנה עבור כל פריט.
רשימת בדיקה
- [ ] שמרתי את הנתונים הגולמיים בצורתם המקורית, עבדתי על העותק.
- [ ] המרתי את כל היחידות ליחידה אחת עם קוד/נוסחה.
- [ ] לא המצאתי את הנתונים החסרים; סימנתי את התחזיות כ"פרוקסי".
- [ ] חקרתי את החריגים לפני שמחקתי אותם.
- [ ] פתרתי את הספירות הבינאריות האפשריות על ידי מעבר למקור.
- [ ] אימתתי חזותית את המספרים שנקראו מה-PDF/תמונה עם דוגמה.
- [ ] קישרתי כל פריט מספרי לרשומה של מסלול ביקורת.